通过变形测试评估和增强分割模型的鲁棒性
计算机视觉与模式识别
2025-04-04 v1 软件工程
摘要
图像分割对于医学成像、增强现实和视频监控等应用至关重要。然而，分割模型往往缺乏鲁棒性，容易受到细微图像失真的对抗性扰动的影响。本文提出了 SegRMT（一种变形测试方法），该方法利用遗传算法（GA）优化保持图像保真度（通过预定义的 PSNR 阈值）的空间和光谱转换序列。使用 Cityscapes 数据集，我们的方法生成对抗性示例，有效挑战 DeepLabV3 分割模型。我们的实验表明，SegRMT 将 DeepLabV3 的平均交并比（mIoU）降至 6.4%，优于其他对抗基线（将 mIoU 降至 8.5%至 21.7%）。此外，在对抗训练中使用 SegRMT 可提升模型性能，在专门的对抗数据集上实现 mIoU 提升最高可达 73%，将跨对抗 mIoU 提升至 53.8%（其他方法仅提升 2%至 10%）。这些发现表明，SegRMT 不仅模拟了真实的图像失真，还增强了分割模型的鲁棒性，使其成为确保安全关键应用中可靠性能的有价值工具。
引用
@article{arxiv.2504.02335,
title = {Evaluating and Enhancing Segmentation Model Robustness with Metamorphic Testing},
author = {Seif Mzoughi and Mohamed Elshafeia and Foutse Khomh},
journal= {arXiv preprint arXiv:2504.02335},
year = {2025}
}